Zuschauer bemerken Ton, der nur 45 ms vor dem Bild eintrifft, tolerieren aber bis zu 125 ms Ton, der nach dem Bild eintrifft, das asymmetrische Wahrnehmungsfenster hinter der internationalen Rundfunkempfehlung zum zeitlichen Verhältnis von Ton und Bild (ITU-R BT.1359-1, 1998). Reale Wiedergabeketten verfehlen dieses Fenster oft: Eine Fotodioden-Studie vom November 2026 maß mediane Tonverzögerungen von 79,2 bis 210,9 ms über 24 Kombinationen aus Player und Auflösung, wobei bis zu 88,4% der Durchgänge jenseits der Wahrnehmungsschwelle lagen (Ho und Li, Preprints.org 2026). Die Toleranz hängt außerdem davon ab, was auf dem Bildschirm zu sehen ist, mit Akzeptanzschwellen zwischen 200 ms für einen Nachrichtensprecher und 1,3 s für American Football (Ebenezer, arXiv 2022). Lip-Sync-Drift (der Abstand zwischen dem Moment, in dem sich ein Mund bewegt, und dem Moment, in dem sein Ton zu hören ist) ist ein anderes Problem als das Timing von Untertiteln, das wir in unseren Statistiken zu Verzögerung und Genauigkeit von Closed Captions behandelt haben. Wir haben Daten von EBU, ATSC, SMPTE, IEEE Transactions on Broadcasting, dem Journal of the Acoustical Society of America, PLOS ONE, Allion Labs, Amazon Science und einem Dutzend weiterer Primärquellen zusammengeführt.
TL;DR
- Durchschnittliche Wahrnehmungsschwelle: etwa 45 ms Tonvorlauf bis 125 ms Tonnachlauf (ITU-R BT.1359-1, 1998).
- Europäisches Broadcast-Limit: 40 ms Ton vor dem Bild und 60 ms danach, Ende zu Ende (EBU R37, 2007).
- US-DTV-Vorgabe am Encoder-Eingang: höchstens 15 ms Audiovorlauf oder 45 ms Nachlauf (ATSC IS/191, berichtet von TV Technology 2004).
- Mittlere Wahrnehmungsschwelle für voreilendes Audio in einem Intel-Labortest: 185,19 ms, SD 42,32 ms (Younkin und Corriveau, IEEE Transactions on Broadcasting 2008).
- Sprache als synchron beurteilt von 131 ms Audiovorlauf bis 225 ms Videovorlauf (Conrey und Pisoni, JASA 2006).
- Akzeptanzschwelle für Audio, das dem Video vorauseilt: 200 ms für einen Nachrichtensprecher gegenüber 1,3 s für American Football (Ebenezer, arXiv 2022).
- Mediane ausgelieferte Versätze bei getesteter Wiedergabe eines sprechenden Gesichts: Ton in jeder Zelle um 79,2 bis 210,9 ms zu spät (Ho und Li, Preprints.org 2026).
- Zoom gemessen von 92 ms Videovorlauf bis 73 ms Audiovorlauf auf fünf Rechnern (AV-Sync-Tests von Allion Labs).
- Schlechtester mittlerer Abstand der Einsatzzeitpunkte von Ton und Bild bei einem unkalibrierten Mixed-Reality-Headset: 156,63 ms (Eckhoff et al., PLOS ONE 2024).
- Synchronitätsfenster für einen englischen Muttersprachler: 100 ms bei jungen normalhörenden Hörern gegenüber 250 ms bei älteren Hörern (Gordon-Salant et al., Frontiers in Psychology 2022).
- Genauigkeit von Lip-Sync-Klassifikatoren auf dem Datensatz LRS2: 96,5% für IC-SyncNet gegenüber 75,8% für das ursprüngliche SyncNet (Park et al., arXiv 2024).
1. Wahrnehmungsschwellen: Ab wann Zuschauer Lip-Sync-Fehler bemerken
Der konsistenteste Befund aus 80 Jahren Forschung ist die Asymmetrie. Zu früher Ton wird bei ungefähr einem Drittel des Versatzes bemerkt, den zu später Ton braucht: etwa 45 ms Tonvorlauf gegenüber 125 ms Tonnachlauf in den subjektiven Tests (Tests, in denen Zuschauer Clips bewerten), die in der Empfehlung ITU-R BT.1359-1 zusammengefasst sind. Die Natur erklärt den Effekt: Licht ist schneller als Schall, und beim natürlichen Sprechen beginnt sich der Mund vor der Stimme zu bewegen. Im von Venezia et al. analysierten Sprachreiz ging der Mundschluss dem Ton um 163 ms voraus, das Gehirn ist also bereits darauf trainiert, spät eintreffendes Audio zu akzeptieren.
Die Streuung zwischen den Studien ist ebenso wichtig wie die Durchschnittswerte. Eine Studie der Bell Laboratories aus den 1940er Jahren setzte die Wahrnehmung bei 35 ms Vorlauf und 100 ms Nachlauf an, während ein Intel-Labortest zu voreilenden Audiofehlern einen deutlich großzügigeren Mittelwert von 185,19 ms ergab (Younkin und Corriveau, IEEE Transactions on Broadcasting 2008). Die praktische Lesart: Schwellen sind Durchschnittswerte über eine Bevölkerung, und die empfindlichsten Zuschauer liegen deutlich darunter. Ein auf den Durchschnitt ausgelegter Stream stört weiterhin einen Teil seines Publikums.
| Metrik | Wert | Quelle |
|---|---|---|
| Durchschnittliche Wahrnehmungsschwelle, Ton vor dem Bild gegenüber Ton nach dem Bild | Etwa +45 ms bis -125 ms | ITU-R BT.1359-1 (1998) |
| Wahrnehmungsschwelle in einer frühen Studie der Bell Laboratories, Audiovorlauf gegenüber Audionachlauf | Mehr als 35 ms Vorlauf oder mehr als 100 ms Nachlauf | Studie der Bell Laboratories, berichtet in TV Technology (Hoffner) 2003 |
| Mittlere Wahrnehmungsschwelle für Audio, das den Lippen vorauseilt | 185,19 ms (SD 42,32 ms) | Younkin und Corriveau, IEEE Transactions on Broadcasting 2008 |
| Sprache als synchron beurteilt, größter Audiovorlauf gegenüber größtem Videovorlauf (30 Erwachsene) | 131 ms Audiovorlauf bis 225 ms Videovorlauf | Conrey und Pisoni, JASA 2006 |
| Nicht-Sprache (Lichtblitz und Ton) als synchron beurteilt, Audiovorlauf gegenüber Videovorlauf | 153 ms Audiovorlauf bis 247 ms Videovorlauf | Conrey und Pisoni, JASA 2006 |
| Breite des Synchronitätsfensters auf halber Höhe des Maximums, Sprache gegenüber Nicht-Sprache | 357 ms gegenüber 400 ms | Conrey und Pisoni, JASA 2006 |
| Wahrnehmungsschwelle für Sprache, Video vor dem Ton gegenüber Ton vor dem Video | 258 ms gegenüber 131 ms | Dixon und Spitz 1980, zitiert in Venezia et al., Attention, Perception, and Psychophysics 2016 |
| Wahrnehmungsschwelle für einen Hammer, der auf einen Stift schlägt, Video vor dem Ton gegenüber Ton vor dem Video | 188 ms gegenüber 75 ms | Dixon und Spitz 1980, zitiert in Venezia et al. 2016 |
Kontexthinweis: Conrey und Pisoni stellten fest, dass die Mitte des Synchronitätsfensters sowohl bei Sprache als auch bei Nicht-Sprache bei 47 ms Videovorlauf lag und nicht bei null (Conrey und Pisoni, JASA 2006). Der Übersichtsartikel von Venezia et al. verfolgt dasselbe Muster über mehrere Replikationen. Neueste verfügbare Daten zu Bevölkerungsschwellen: Younkin und Corriveau 2008; eine neuere Schwellenstudie mit großer Stichprobe zu Broadcast-Lip-Sync ist in unserer Recherche nicht aufgetaucht.
2. Broadcast-Toleranzen und Sync-Budgets
Wahrnehmungsstudien sagen, wo Zuschauer etwas bemerken; Normen sagen den Ingenieuren, wie viel dieser Marge jeder Teil der Kette verbrauchen darf. Das auffälligste Muster ist, um wie viel enger die technischen Grenzen sind als die Wahrnehmungsgrenzen. EBU R37 erlaubt jeder Stufe nur 5 ms zu früh und 15 ms zu spät, während die gesamte Kette innerhalb eines Ende-zu-Ende-Limits von 40 ms Vorlauf und 60 ms Nachlauf bleiben muss (EBU R37, 2007). Die EBU erklärt, ihre Grenzen beruhten auf der Verzögerung, bei der 50% der Beobachter den Lip-Sync-Fehler bemerken.
Die USA gingen noch enger vor. Das Implementation Subcommittee der ATSC hielt die internationalen Grenzen von 1998 für das digitale Fernsehen für unzureichend und forderte, dass Audio am Encoder-Eingang dem Video nie um mehr als 15 ms vorauseilt oder um mehr als 45 ms nachhinkt (TV Technology, ATSC Recommends AV Sync Rules, 2004). Zum Vergleich: Die alte NTSC-Faustregel lautete +1 und -2 Frames, also +33 und -66 ms. Die Empfehlung von 1998 teilt zudem ihr eigenes Budget auf und lässt den Abschnitten außerhalb der Kontrolle des Senders nur ±2 ms.
| Metrik | Wert | Quelle |
|---|---|---|
| Gesamttoleranz zwischen Ton und Bild (zugleich die durchschnittliche Akzeptanzschwelle) | +90 ms bis -185 ms | ITU-R BT.1359-1 (1998) |
| Budgetaufteilung: Kameraquelle bis Nullreferenzpunkt (die Timing-Referenz des Studios) gegenüber Nullreferenz bis Sendereingang | +25 / -100 ms gegenüber +22,5 / -30 ms | ITU-R BT.1359-1 (1998) |
| Ende-zu-Ende-Limit an jedem für die Ausstrahlung bestimmten Ausgang, Ton vor dem Bild gegenüber Ton nach dem Bild | 40 ms gegenüber 60 ms | EBU R37 (2007) |
| Limit pro einzelner Stufe der Produktionskette | 5 ms zu früh bis 15 ms zu spät | EBU R37 (2007) |
| DTV-Limit für Audio am Encoder-Eingang, Vorlauf gegenüber Nachlauf | 15 ms gegenüber 45 ms | ATSC IS/191, berichtet von TV Technology 2004 |
| DTV-Limit für die gesamte Kette, Audio vor dem Video gegenüber Audio nach dem Video | +30 ms bis -90 ms | ATSC IS/191, berichtet von TV Technology 2004 |
| Limit für die Quality of Experience bei IPTV, Audio vor dem Video gegenüber Audio nach dem Video (vorläufig, Standardauflösung) | Höchstens 15 ms gegenüber 45 ms | ITU-T G.1080 (2008) |
| Analoge NTSC-Faustregel in Frames und Millisekunden | +1 / -2 Frames (+33 / -66 ms) | TV Technology (Hoffner) 2004 |
Hinweis zum Ausreißer: Diese Dokumente sind alt, aber weiterhin gültig. Die Empfehlung zu Ton und Bild wurde am 30. November 1998 genehmigt und die Empfehlung zur IPTV-Qualität am 7. Dezember 2008; beide sind als in Kraft befindlich geführt. Neueste verfügbare Daten: EBU R37, 2007.
3. Inhaltstyp und Publikum: Wer toleriert wie viel
Ein sprechendes Gesicht ist der härteste Test, dem ein Stream standhalten muss. In einer Studie mit 20 Zuschauern und 45 Clips lag die Akzeptanzschwelle für Audio, das dem Video vorauseilt, bei 200 ms für einen Nachrichtensprecher, aber bei 1,3 s für American Football (Ebenezer, arXiv 2022). Weite Sportaufnahmen bieten nur wenige scharfe audiovisuelle Ereignisse, an denen sich das Timing festmachen lässt, daher wird ein Gaming- oder Sport-Stream mit der Gesichtskamera des Streamers im Bild nach dem strengeren, gesichtsbasierten Maßstab beurteilt.
Auch das Publikum spielt eine Rolle. Bei einem englischen Muttersprachler zeigen ältere Hörer Synchronitätsfenster (den Bereich von Versätzen, der noch als gleichzeitig wahrgenommen wird), die mindestens doppelt so breit sind wie bei jungen Erwachsenen, und verlieren trotzdem Sprachverständnis, wenn das Signal nicht ausgerichtet ist, selbst wenn sie den Fehler nicht bemerken (Gordon-Salant et al., Frontiers in Psychology 2022). Ein breites Fenster ist nicht dasselbe wie Immunität: Sync-Fehler können Verständlichkeit kosten, ohne je als Beschwerde gemeldet zu werden.
| Metrik | Wert | Quelle |
|---|---|---|
| Akzeptanzschwelle für Audio vor dem Video, Clip eines Nachrichtensprechers | 200 ms | Ebenezer, arXiv 2022 |
| Akzeptanzschwelle für Audio vor dem Video, Cricket-Clip | 500 ms | Ebenezer, arXiv 2022 |
| Akzeptanzschwelle für Audio vor dem Video, Fußball- und Tennis-Clips | 1 s | Ebenezer, arXiv 2022 |
| Akzeptanzschwelle für Audio vor dem Video, American-Football-Clip | 1,3 s | Ebenezer, arXiv 2022 |
| Synchronitätsfenster für einen englischen Muttersprachler, junge normalhörende gegenüber älteren Hörern (17 pro Gruppe) | 100 ms gegenüber 250 ms | Gordon-Salant et al., Frontiers in Psychology 2022 |
| Typische Breite des Synchronitätsfensters, Paare mit Videovorlauf gegenüber Paaren mit Audiovorlauf | 200-250 ms gegenüber 100-150 ms | Cecere et al., European Journal of Neuroscience 2016 |
| Ausgangswert der Sensitivität (d prime, höher bedeutet bessere Erkennung), Paare mit Audiovorlauf gegenüber Paaren mit Videovorlauf, 30 Erwachsene | 1,58 gegenüber 0,98 | Cecere et al., European Journal of Neuroscience 2016 |
| Teilnehmer einer Studie von 2026 zur Asynchronität bei Sprache im Störgeräusch, Cochlea-Implantat-Träger gegenüber normal hörenden Erwachsenen (Versätze bis 400 ms) | 15 gegenüber 31 | Salagovic et al., Journal of Speech, Language, and Hearing Research 2026 |
Kontexthinweis: Der Sensitivitätsunterschied bei Cecere et al. war statistisch robust (F(1,27) = 37,10, p < 0,0001) (Cecere et al., European Journal of Neuroscience 2016). In der Studie von 2026 erreichte die Verständlichkeit bei beiden Gruppen ihr Maximum nahe der Synchronität, und Cochlea-Implantat-Träger zeigten mit wachsender Asynchronität größere Einbrüche (Salagovic et al., JSLHR 2026). Die Sportstudie ist ein Preprint und älter als drei Jahre; neueste verfügbare Daten: Ebenezer, 2022.
4. Gemessene Versätze bei Playern, Anruf-Apps und Headsets
Normen setzen voraus, dass jedes Gerät seine eigene Verzögerung meldet und korrigiert. Messungen zeigen, dass diese Annahme nicht trägt. Eine Fotodioden- und Line-Out-Studie vom November 2026 zu vier Videosystemen mit sprechendem Gesicht, drei Playern und zwei Auflösungen fand nacheilenden Ton in allen 24 Zellen, mit medianen Versätzen von 79,2 bis 210,9 ms, und 60,9% bis 88,4% von 3.637 Durchgängen lagen jenseits der Broadcast-Wahrnehmungsschwelle (Ho und Li, Preprints.org 2026). Die eigene Messunsicherheit zwischen den Kanälen betrug 0,0144 ms, der Fehler liegt also in der Wiedergabekette und nicht im Messinstrument.
Anruf- und Streaming-Apps streuen auf beiden Seiten der Null. In Tests von Allion Labs mit einer USB-Webcam auf fünf Rechnern konnte dieselbe App auf einer Maschine voreilen und auf einer anderen nacheilen (AV-Sync-Tests von Allion Labs). Deshalb können Korrekturen auf Paketebene, die wir in unseren Statistiken zur Paketverlust-Verschleierung bei WebRTC behandelt haben, Lip-Sync allein nicht garantieren: Die Synchronität wird an den Endpunkten entschieden. Jede Verarbeitungsstufe, die ein Streamer dem Mikrofonpfad hinzufügt, von der Rauschunterdrückung bis zu einem Stimmverzerrer in OBS, fügt diesem Budget ihre eigene Verzögerung hinzu, weshalb EBU R37 jede Stufe separat budgetiert.
| Metrik | Wert | Quelle |
|---|---|---|
| Medianer ausgelieferter Audio-Video-Versatz über 24 Zellen aus Player und Auflösung (negativ bedeutet Ton zu spät) | -210,9 ms bis -79,2 ms | Ho und Li, Preprints.org 2026 |
| Anteil der Durchgänge jenseits der Broadcast-Wahrnehmungsschwelle, Spanne über die Zellen | 60,9% bis 88,4% | Ho und Li, Preprints.org 2026 |
| Anteil der Durchgänge jenseits der Broadcast-Akzeptanzschwelle, Spanne über die Zellen | 31,6% bis 59,4% | Ho und Li, Preprints.org 2026 |
| Zoom, Spanne über fünf Rechner (positiv bedeutet Audio zuerst) | -92 ms bis +73 ms | AV-Sync-Tests von Allion Labs (undatiert) |
| Microsoft Teams, Spanne über fünf Rechner | -95 ms bis -20 ms | AV-Sync-Tests von Allion Labs (undatiert) |
| Twitch, Spanne über vier Rechner | -90 ms bis +32 ms | AV-Sync-Tests von Allion Labs (undatiert) |
| Google Meet, Spanne über fünf Rechner | -100 ms bis +42 ms | AV-Sync-Tests von Allion Labs (undatiert) |
| Größter mittlerer Abstand der Einsatzzeitpunkte von Ton und Bild bei einem unkalibrierten Mixed-Reality-Headset, mit Jitter von bis zu | 156,63 ms, Jitter bis zu ±11,82 ms | Eckhoff et al., PLOS ONE 2024 |
Kontexthinweis: Kalibrierung wirkt. Eine Verzögerung des Bildes bei einem Varjo XR-3 verschob dessen Abstand über 100 Darbietungen von 53,49 ± 3,15 ms auf -3,89 ± 1,56 ms (Eckhoff et al., PLOS ONE 2024). Die Fotodioden-Studie vom Beginn dieses Abschnitts wurde am 3. November 2026 veröffentlicht und ist noch nicht begutachtet.
5. Drift in langen Sitzungen: Takte, Capture-Karten und Sync-Messung
Statische Versätze lassen sich einmal herausregeln. Drift nicht, denn sie wächst mit der Zeit. Wenn Audio und Video unabhängig getaktet werden, summiert sich ein Frequenzfehler, solange der Stream läuft. Ein Takt an der Grenze von ±1 ppm einer digitalen Audioreferenz der Klasse Grade 1 (DARS, der Mastertakt, der die Audio-Abtastrate festlegt) driftet 3,6 ms pro Stunde: 0,000001 x 3.600 Sekunden = 0,0036 s, also 28,8 ms über einen achtstündigen Stream (unsere Berechnung aus der Grade-1-Toleranz in der Tabelle unten). Broadcast-Anlagen vermeiden das, indem sie alles auf eine einzige Referenz verriegeln, dieselbe Logik wie hinter der IP-Migration, die wir in unseren Statistiken zu AoIP, Dante und AES67 im Broadcast verfolgen.
Capture-Hardware für Endverbraucher ist weniger streng. Der Softwareanbieter LEADTOOLS dokumentiert Capture-Geräte, die 60 bis 90 ms asynchron starten, und Geräte, die nach 8 bis 24 Stunden zu driften beginnen (LEADTOOLS, Timestamp Drifting in Live Capture Situations). Bei einem 24/7-Stream ist Drift kein Randfall, sondern ein planmäßiger Wartungspunkt.
| Metrik | Wert | Quelle |
|---|---|---|
| Langzeit-Frequenzgenauigkeit einer digitalen Audioreferenz der Klasse Grade 1 | Innerhalb von ±1 ppm | ITU-R BS.2032-0 (2013) |
| Drift an der ±1-ppm-Grenze, pro Stunde und über 8 Stunden (unsere Berechnung) | 3,6 ms pro Stunde; 28,8 ms pro 8 Stunden | Berechnet aus ITU-R BS.2032-0 (2013) |
| Capture-Karten, die nach kontinuierlicher Aufnahme von folgender Dauer als driftend beobachtet wurden | 8 bis 24 Stunden | LEADTOOLS-Dokumentation (eigene Beobachtung des Anbieters) |
| Anfänglicher Audio-Video-Versatz bei manchen Capture-Geräten | Etwa 60-90 ms | LEADTOOLS-Dokumentation (eigene Beobachtung des Anbieters) |
| Zeitstempel-Differenz bei Capture-Geräten mit nicht übereinstimmenden Takten | Über 500 ms | LEADTOOLS-Dokumentation (eigene Beobachtung des Anbieters) |
| Genauigkeit des quelloffenen Sync-Messaufbaus der BBC (Lichtsensor plus Audioeingang) | Etwa Millisekundengenauigkeit | BBC R&D dvbcss-synctiming |
| Beispiel für die Bestanden/Nicht-bestanden-Toleranz im BBC-Aufbau, Companion-Screen-App (Zweitbildschirm-App) gegenüber TV | ±8 ms gegenüber ±23 ms | BBC R&D dvbcss-synctiming |
| Transportmethoden für Lip-Sync-Fingerprints (SDI, UDP über IP, MPEG-2-Transportstrom), ein Container pro Frame | 3 | SMPTE ST 2064-2 (2015) |
Kontexthinweis: Der BBC-Aufbau spielt ein Testvideo mit Blitzen und Pieptönen ab und misst deren Timing am Bildschirm und am Lautsprecher, dem einzigen Punkt, an dem Synchronität tatsächlich erlebt wird (BBC R&D dvbcss-synctiming). Der Fingerprint-Ansatz von SMPTE misst Timing-Änderungen ohne Testsignale, indem er vor- und nachgelagert erfasste Fingerprints vergleicht (SMPTE ST 2064-2:2015).
6. Automatisierte Lip-Sync-Erkennung: Was Maschinen erkennen und was nicht
Streamingdienste prüfen die Synchronität heute mit maschinellem Lernen statt mit Stichproben durch Menschen. Prime Video hat Detektoren für 18 Fehlertypen gebaut, darunter Audio-Video-Sync, und lässt seinen Lip-Sync-Detektor auf vier Sekunden langen, auf ein einzelnes Gesicht zentrierten Clips über Tausende von Kanälen und Live-Events laufen (Amazon Science, How Prime Video uses machine learning to ensure video quality, 2022). Die Genauigkeit der Klassifikatoren ist schnell gestiegen: 96,5% auf dem Datensatz LRS2 im Jahr 2024, gegenüber 75,8% beim ursprünglichen SyncNet (Park et al., Interpretable Convolutional SyncNet, arXiv 2024).
Der Haken ist, dass Werte auf Dateiebene die Wiedergabekette nicht sehen. Ho und Li stellten fest, dass die Sync-Werte von SyncNet nicht mit den am Bildschirm gemessenen Versätzen korrelierten, und die eigene Versatzschätzung von SyncNet stimmte mit der Messung nur innerhalb einer Halbbreite von 282,2 ms überein. Eine saubere Datei kann trotzdem asynchron abgespielt werden, und die zweite Prüfung muss am Gerät stattfinden.
| Metrik | Wert | Quelle |
|---|---|---|
| Von den Prime-Video-Detektoren abgedeckte Videofehlertypen (darunter Audio-Video-Sync) | 18 | Amazon Science (Prime Video) 2022 |
| Von Amazon-Forschern aufgebaute Datenbank für Audio-Video-Sync-Fehler im Tennis | 504.300 Frames aus 6 Stunden Video | Ebenezer et al., ICASSP 2021 (Amazon) |
| Genauigkeit der Sync-Klassifikation, IC-SyncNet auf LRS2 gegenüber LRS3 | 96,5% gegenüber 93,8% | Park et al., arXiv 2024 |
| Genauigkeit der Sync-Klassifikation, ursprüngliches SyncNet auf LRS2 | 75,8% | Park et al., arXiv 2024 |
| Menschliche Bewertungen, die für einen Datensatz zur wahrgenommenen Sync-Qualität gesammelt wurden (über 100 Stunden, über 80 Annotatoren) | 120.000 | Goncalves et al. (Amazon), PEAVS, ECCV 2024 |
| Korrelation der PEAVS-Metrik mit menschlichen Bewertungen, Ebene des Datensatzes gegenüber Ebene des Clips | 0,79 gegenüber 0,54 | Goncalves et al. (Amazon), PEAVS, ECCV 2024 |
| Korrelation zwischen den Sync-Werten von SyncNet und dem Betrag des gemessenen Versatzes | r = -0,066 bis +0,083 | Ho und Li, Preprints.org 2026 |
Kontexthinweis: In den PEAVS-Daten erreichten sowohl die menschlichen Werte als auch die Metrik bei einer Audioverschiebung von 45 ms ihr Maximum über 4 auf einer 5-Punkte-Skala und fielen, je größer die Verschiebung wurde (Goncalves et al., PEAVS, ECCV 2024). Amazons Tennis-Methode meldet einen Fehler, wenn ein Schlägertreffer im Audio auftaucht, aber nicht im nahen Video (Amazon Science, Detection of audio-video synchronization errors via event detection).
Zusammenfassung: Audio-Video-Sync-Drift (Lip-Sync) bei Livestreams in Zahlen
| Metrik | Wert | Quelle |
|---|---|---|
| Durchschnittliche Wahrnehmungsschwelle, Ton vor dem Bild gegenüber Ton nach dem Bild | Etwa +45 ms bis -125 ms | ITU-R BT.1359-1 (1998) |
| Breite des Synchronitätsfensters auf halber Höhe des Maximums, Sprache gegenüber Nicht-Sprache | 357 ms gegenüber 400 ms | Conrey und Pisoni, JASA 2006 |
| Ende-zu-Ende-Ausstrahlungslimit, Ton vor dem Bild gegenüber Ton nach dem Bild | 40 ms gegenüber 60 ms | EBU R37 (2007) |
| Limit pro Stufe in der Produktionskette | 5 ms zu früh bis 15 ms zu spät | EBU R37 (2007) |
| DTV-Limit am Encoder-Eingang, Vorlauf gegenüber Nachlauf | 15 ms gegenüber 45 ms | ATSC IS/191, über TV Technology 2004 |
| DTV-Limit für die gesamte Kette | +30 ms bis -90 ms | ATSC IS/191, über TV Technology 2004 |
| Mittlere Wahrnehmungsschwelle für Audio, das den Lippen vorauseilt | 185,19 ms (SD 42,32 ms) | Younkin und Corriveau, IEEE Transactions on Broadcasting 2008 |
| Sprache als synchron beurteilt, Audiovorlauf gegenüber Videovorlauf | 131 ms gegenüber 225 ms | Conrey und Pisoni, JASA 2006 |
| Akzeptanzschwelle für Audiovorlauf, Nachrichtensprecher gegenüber American Football | 200 ms gegenüber 1,3 s | Ebenezer, arXiv 2022 |
| Synchronitätsfenster, junge gegenüber älteren Hörern | 100 ms gegenüber 250 ms | Gordon-Salant et al., Frontiers in Psychology 2022 |
| Sensitivität, Paare mit Audiovorlauf gegenüber Paaren mit Videovorlauf | d prime 1,58 gegenüber 0,98 | Cecere et al., European Journal of Neuroscience 2016 |
| Mediane ausgelieferte Versätze bei getesteter Wiedergabe eines sprechenden Gesichts | Ton um 79,2 bis 210,9 ms zu spät | Ho und Li, Preprints.org 2026 |
| Versatzspanne von Microsoft Teams über fünf Rechner | -95 ms bis -20 ms | AV-Sync-Tests von Allion Labs |
| Versatzspanne von Zoom über fünf Rechner | -92 ms bis +73 ms | AV-Sync-Tests von Allion Labs |
| Schlechtester mittlerer Abstand der Einsatzzeitpunkte, unkalibriertes Mixed-Reality-Headset | 156,63 ms | Eckhoff et al., PLOS ONE 2024 |
| Anfänglicher Versatz bei manchen Capture-Geräten | Etwa 60-90 ms | LEADTOOLS-Dokumentation (Anbieter) |
| Genauigkeit von Lip-Sync-Klassifikatoren auf LRS2, IC-SyncNet gegenüber SyncNet | 96,5% gegenüber 75,8% | Park et al., arXiv 2024 |
| Korrelation von PEAVS mit menschlichen Bewertungen, Ebene des Datensatzes | 0,79 | Goncalves et al. (Amazon), ECCV 2024 |
Methodik und Quellen
- ITU-Empfehlungen: ITU-R BT.1359-1, Relative timing of sound and vision for broadcasting (1998); ITU-T G.1080, Quality of experience requirements for IPTV services (2008); ITU-R BS.2032-0, Synchronization of digital audio sample clock to video references (2013).
- EBU R37, Relative timing of the sound and vision components of a television signal (2007).
- ATSC IS/191 und die Schwelle der Bell Laboratories, über die Kolumnen von Randy Hoffner in TV Technology: ATSC Recommends AV Sync Rules (2004) und A/V Synchronization: How Bad Is Bad? (2003).
- Younkin und Corriveau, Determining the Amount of Audio-Video Synchronization Errors Perceptible to the Average End-User, IEEE Transactions on Broadcasting (2008).
- Conrey und Pisoni, Auditory-visual speech perception and synchrony detection for speech and nonspeech signals, JASA (2006).
- Venezia et al., Timing in Audiovisual Speech Perception: A Mini Review and New Psychophysical Data, Attention, Perception, and Psychophysics (2016).
- Cecere, Gross und Thut, European Journal of Neuroscience (2016).
- Gordon-Salant et al., Detection and Recognition of Asynchronous Auditory/Visual Speech, Frontiers in Psychology (2022).
- Salagovic, Stevenson und Butler, Journal of Speech, Language, and Hearing Research (2026).
- Ebenezer, A subjective study of the perceptual acceptability of audio-video desynchronization in sports videos, arXiv (2022).
- Ho und Li, Software Lip-Sync Metrics Do Not Predict Delivered Audio-Visual Synchronisation, Preprints.org (2026).
- Allion Labs, Audio-to-Video Synchronization (AV-Sync) Testing of Webcam and Video Software.
- Eckhoff, Schnupp und Cassinelli, Temporal precision and accuracy of audio-visual stimuli in mixed reality systems, PLOS ONE (2024).
- LEADTOOLS, Timestamp Drifting in Live Capture Situations.
- BBC R&D, dvbcss-synctiming und SMPTE ST 2064-2:2015, Audio to Video Synchronization Measurement, Fingerprint Transport.
- Amazon: Prime Video video quality analysis (2022), Detection of audio-video synchronization errors via event detection, ICASSP (2021) und Goncalves et al., PEAVS, ECCV (2024).
- Park et al., Interpretable Convolutional SyncNet, arXiv (2024).
- Daten-Hinweis: Die Zahlen zur Wahrnehmungsschwelle widersprechen sich zwischen den Studien. Die Broadcast-Empfehlung von 1998 setzt die Erkennung von Audiovorlauf bei etwa 45 ms an, die Studie der Bell Laboratories bei 35 ms und Younkin und Corriveau bei einem Mittelwert von 185,19 ms; wir weisen alle drei aus, statt einen auszuwählen, und Unterschiede bei Reizen und Methode erklären die Lücke wahrscheinlich. Auch die Vorzeichenkonventionen unterscheiden sich: Die meisten Broadcast-Dokumente und Allion Labs verwenden positive Werte für Audio zuerst, während die Fotodioden-Studie von 2026 Tonnachlauf als negativ angibt. Die Seite von Allion Labs trägt kein Veröffentlichungsdatum, und die Fotodioden-Studie (veröffentlicht am 3. November 2026) sowie die Sportstudie von Ebenezer sind Preprints, die nicht begutachtet wurden. Die LEADTOOLS-Zahlen sind eigene Beobachtungen eines Softwareanbieters. Die Werte von ATSC IS/191 stammen aus der Berichterstattung von TV Technology, weil das ATSC-Dokument selbst nicht erreichbar war. Der Driftwert von 3,6 ms pro Stunde ist unsere Berechnung aus der Toleranz von ±1 ppm, kein gemessener Wert. Der Großteil der Schwellen- und Toleranzdaten ist älter als drei Jahre und als neueste verfügbare Daten gekennzeichnet.
Zuletzt aktualisiert: 6. November 2026. Wir aktualisieren diese Zusammenstellung vierteljährlich, und die nächste Aktualisierung wird erwartet, sobald die begutachtete Fassung der Fotodioden-Studie vom November 2026 zum ausgelieferten Lip-Sync veröffentlicht wird.